文献类型：期刊文章

作　　者：邹奕轩[1] 周蕾蕾[1] 赵紫婷[1] 吴倩倩[1] 韩煜东[2] 田书畅[1] 蒋红兵[1,3]

ZOU Yi-xuan;ZHOU Lei-lei;ZHAO Zi-ting(Department of Medical Equipment,Nanjing First Hospital,Nanjing Medical University(Nanjing First Hospital),Nanjing 210006,China)

机构地区：[1]南京医科大学附属南京医院(南京市第一医院)医疗设备处,江苏南京210006 [2]南京医科大学附属南京医院(南京市第一医院)功能检查科,江苏南京210006 [3]南京市急救中心,江苏南京210003

出　　处：《中国医学装备》

基　　金：南京市医学科技发展资金“青年工程”人才培养专项经费资助项目(QRX11033)“基于卷积神经网络的甲状腺结节超声图像良恶性分类研究”;南京医科大学科技发展基金(NMUB2018338)“基于图像处理的放疗等中心位置精确性的研究”;南京医科大学科技发展基金一般项目(NMUB2019155)“基于卷积神经网络的肾脏肿瘤CT图像定位分割研究”。

年　　份：2020

卷　　号：17

期　　号：3

起止页码：9-13

语　　种：中文

收录情况：IC、JST、ZGKJHX、普通刊

摘　　要：目的:研究深度学习卷积神经网络(CNNs)在甲状腺结节超声图像良恶性分类问题中的可行性并评估效果。方法:运用迁移学习的方式,对在自然图像训练集上获取预训练参数的3种卷积神经网络模型(VGG19模型、Inception V3模型和DenseNet 161模型)进行训练,并对其进行调整,使用甲状腺结节超声图像对3种卷积神经网络模型进行测试。结果:VGG 19模型分类效果较差,正确率为88.18%,低于Inception V3和DenseNet 161模型的正确率(92.85%和92.91%)。Inception V3和DenseNet 161模型在准确度、参数数量及训练效率上均有明显优势,其中DenseNet 161模型收敛速度更快,泛化性能更佳,但运算中占用了更多显存。结论:深度学习CNNs可辅助诊断甲状腺结节在超声图像上的良恶性,且效果良好,而DenseNet 161模型在甲状腺结节超声图像良恶性分类任务中表现出更佳的性能。

关 键 词：超声 甲状腺 分类  深度学习  卷积神经网络(CNNs)  

分 类 号：R445.1]